近年来,随着计算机科技的不断进步,以及深度学习技术的火热,人工智能的应用在社会各个领域取得了更广泛的推广与落地。其中,人脸检测算法是许多身份认证,安防监控等应用的基础步骤,它通过对图像的特征分析,框选并标注图像中的不同实例的人脸,从而用于进一步的人脸比对。但是在具体场景中,图像数据中的人脸的多样性十分丰富,包括大小,光照,角度等因素对人脸检出率的影响很严重。而目前的公开数据集中,只有WIDERFACE的人脸数据最为详细,只是它同样无法覆盖现实场景的各类情况。因此,对数据集进行自动增强是训练模型的通用操作,数据增强有传统的与生成对抗网络两种方式,在传统增强方式上主要通过对图像进行切分,反转,移位等操作来扩增图像数量,但是这些普通线性变换或放射变换无法改变人脸表征的细节,对以上问题无能为力,相反,以生成式对抗网络(generative adversarial network,GAN)为基准的高级数据增强方法在目前表现出了无以伦比的吸引力。GAN通过博弈训练的方式学习到图像的模拟分布并生成以假乱真的图像,在图像迁移和图像编辑领域也有广阔的前景。所以本论文基于GAN实现了人脸检测训练数据的增强网络,有以下两个方面:第一,通过多个不同网络来生成数据集。一是实现变分自编码器,学习多个分布的均值和方差保证生成人脸的对应关系,从而生成自然但模糊的人脸集合。二是实现使用平方势能作为损失函数,并带有编码器部分的DCGAN-QP模型,利用Celeb A和LSUN数据集训练生成逼真的人脸与场景集合。三是实现基于Cycle GAN的白天黑夜图像迁移模型,对WIDERFACE数据集进行增强。四是实现基于Att GAN的人脸编辑模型,对部分人脸集合进行多属性的生成。第二,通过对生成数据的利用,用多图合成的方式生成针对Retina Face和Center Face的人脸检测模型的数据集和标注信息,以及利用转换的图像和已有的WIDERFACE标注组成恶劣情况下的训练数据。接着用上述两个人脸检测器的预训练模型进行额外生成数据集的训练,从而获得性能更好的检测模型。因此,本论文认为在人脸检测任务中,使用GAN进行自动数据增强并加入检测器的训练,可以有效加强模型的鲁棒性,提升模型的检测率。